tf.contrib.opt.LazyAdamGSOptimizer

Вариант оптимизатора Adam, который более эффективно обрабатывает разреженные обновления.

Наследуется от: AdamGSOptimizer

tf.contrib.opt.LazyAdamGSOptimizer(
    global_step=0, learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08,
    use_locking=False, name='Adam'
)

Ветвь от tf.contrib.opt.LazyAdamGSOptimizer. Единственное отличие состоит в том, что для вычисления накопителей beta1 и beta2 передаётся глобальный шаг, вместо того, чтобы оптимизатор хранил свои собственные независимые накопители beta1 и beta2 как переменные, не являющиеся слотами.

Оригинальный алгоритм Adam поддерживает два накопителя скользящего среднего для каждой обучаемой переменной; накопители обновляются на каждом шаге. Этот класс предоставляет более ленивую обработку обновлений градиента для разреженных переменных. Он обновляет накопители скользящего среднего только для индексов разреженных переменных, которые появляются в текущей партии, а не для всех индексов. По сравнению с оригинальным оптимизатором Adam, он может существенно улучшить производительность обучения модели для некоторых приложений. Однако он обеспечивает немного другие семантику, чем оригинальный алгоритм Adam, и может привести к другим эмпирическим результатам.

Методы

apply_gradients

Просмотреть исходный код

apply_gradients(
    grads_and_vars, global_step=None, name=None
)

Применить градиенты к переменным.

Это вторая часть minimize(). Она возвращает Operation, который применяет градиенты.

compute_gradients

Просмотреть исходный код

compute_gradients(
    loss, var_list=None, gate_gradients=GATE_OP, aggregation_method=None,
    colocate_gradients_with_ops=False, grad_loss=None
)

Вычислить градиенты loss для переменных в var_list.

Это первая часть minimize(). Она возвращает список пар (градиент, переменная), где «градиент» — градиент для «переменной». Обратите внимание, что «градиент» может быть Tensor, IndexedSlices, или None , если для данной переменной нет градиента.

Совместимость с Eager

Когда включено eager execution, gate_gradients, aggregation_method, и colocate_gradients_with_ops игнорируются.

get_name

Просмотреть исходный код

get_name()

get_slot

Просмотреть исходный код

get_slot(
    var, name
)

Возвращает слот с именем name, созданный для var оптимизатором.

Некоторые подклассы Optimizer используют дополнительные переменные. Например, Momentum и Adagrad используют переменные для накопления обновлений. Этот метод предоставляет доступ к этим Variable объектам, если вам по какой-то причине они нужны.

Используйте get_slot_names() для получения списка имён слотов, созданных оптимизатором Optimizer.

get_slot_names

Просмотреть исходный код

get_slot_names()

Возвращает список имён слотов, созданных оптимизатором Optimizer.

См. get_slot().

minimize

Просмотреть исходный код

minimize(
    loss, global_step=None, var_list=None, gate_gradients=GATE_OP,
    aggregation_method=None, colocate_gradients_with_ops=False, name=None,
    grad_loss=None
)

Добавить операции для минимизации loss путём обновления var_list.

Этот метод просто объединяет вызовы compute_gradients() и apply_gradients(). Если вы хотите обработать градиент перед его применением, вызовите compute_gradients() и apply_gradients() явно вместо использования этой функции.

Жадный режим совместимости

При включенном жадном выполнении loss должна быть функцией Python, которая не принимает аргументов и вычисляет значение, которое необходимо минимизировать. Минимизация (и вычисление градиента) выполняется относительно элементов var_list если оно не равно None, иначе относительно любых обучаемых переменных, созданных во время выполнения функции loss. gate_gradients, aggregation_method, colocate_gradients_with_ops и grad_loss игнорируются при включенном жадном выполнении.

variables

Просмотреть исходный код

variables()

Список переменных, которые кодируют текущее состояние Optimizer.

Включает переменные слотов и дополнительные глобальные переменные, созданные оптимизатором в текущей графике по умолчанию.

Переменные класса

• GATE_GRAPH = 2
• GATE_NONE = 0
• GATE_OP = 1